אשכולת פגמים לא מפוקחת במיקרוסקופיה ברזולוציה אטומית באמצעות אוטו‑אנקודר תנודתי מצומצם קונבולוציוני

מדוע פגמונים זעירים במבנים גבישיים חשובים

אלקטרוניקה מודרנית, תאי שמש וחיישנים נשענים על חומרים שנראים מסודרים לחלוטין בקנה מידה אטומי. במציאות, כל גביש מפוזר בפגמונים זעירים — אטומים חסרים, אטומים עודפים או סטיות עדינות בדפוס — שיכולים לשפר את יעילות המכשיר או לפגוע בביצועיו. המאמר שמאחורי הסיכום הזה מציג דרך לאפשר לבינה מלאכותית לאתר פגמונים אלה אוטומטית בתמונות מיקרוסקופ ברזולוציה גבוהה, ללא תיוג אנושי או כוונון מומחה, ובכך לפתוח נתיב לגילוי חומרים מהיר ופחות מושפע מהטיות.

לאפשר למחשב ללמוד איך נראה "מושלם"

החוקרים מתחילים מרעיון פשוט: במקום ללמד את המחשב כל סוג אפשרי של פגם, ללמד אותו רק איך נראה גביש מושלם. הם משתמשים בתמונות ברזולוציה אטומית ממיקרוסקופ אלקטרוני חזק, שבה כל נקודה מוארת מתאימה לעמודת אטומים. סוג מיוחד של רשת עצבית, שנקרא אוטו‑אנקודר תנודתי קונבולוציוני, מותאם לאזורים בתמונה שנחשבים חף מפגמים. עם הזמן, הרשת לומדת את הדפוס החוזר והסדיר של הגביש ומצטיינת בשחזור מה שצריכה להיראות הסריג המושלם והלא מופרע.

להפוך הבדלים למפת פגמים

לאחר שהרשת למדה את הדפוס האידיאלי, כל חתיכת תמונה חדשה מוזנת דרכה. המודל מייצר את הניחוש הטוב ביותר שלו לגבי גרסה חסרת פגמים של אותה חתיכה. על‑ידי חיסור הניחוש מהתמונה האמיתית, השיטה יוצרת תמונת "הפרש" שמדגישה רק את מה שאינו מתאים לדפוס הנלמד — כמו אטום נוסף, חוסר של צמד אטומים או הסטה בסידור השכבות. שלב סינון נוסף מסיר רעש אקראי ואפקטי קצוות, ומשאיר אות נקי שמתמקד באי סדרים מבניים ממשיים במקום בדרך שבה נבחרה חלונית התמונה. למעשה, המערכת משנה את הבעיה מ‑"ללמד את כל הפגמים האפשריים" ל‑"למצוא כל מה שאינו נורמלי".

מתמונות גולמיות לקבוצות בעלות משמעות

כדי למיין את הפגמים לקטגוריות שימושיות, הצוות ממיר כל חתיכה למערך של 47 תיאורים מספריים פשוטים. הם מתארים עד כמה החתיכה בהירה בממוצע, כמה אסימטרית התפלגות העוצמה שלה, כמה מאפיינים חדים היא מכילה, וכיצד הדפוסים שלה חוזרים במרחב, בין תכונות אחרות. לאחר מכן הם מקצרים את הרשימה בשלושה שלבים: הסרת תיאורים מיותרים שמתנהגים כמעט זהה, ביטול אלה שאינם מצליחים להפריד תמונות לקבוצות מובחנות, וסינון של תכונות שעומדות כמעט ללא שינוי. קיצור זה משאיר אוסף דליל ומידעתי יותר של תכונות שתופס טוב יותר הבדלים מבניים אמיתיים תוך צמצום רעש וחישוב.

לתת לנתונים להחליט כמה סוגי פגמים קיימים

עם התכונות המעובדות בכף היד, המחברים משתמשים בכלי אשכולות סטנדרטיים כדי לאפשר לנתונים לארגן את עצמם. הם מצמצמים ראשית את מרחב התכונות באמצעות ניתוח רכיבים עיקריים (PCA), השומר על השינויים החשובים ביותר תוך הקטנת המספר של הממדים. לאחר מכן הם מיישמים שיטת אשכולות קלאסית, k‑means, פעמים רבות בעודם משנים שיטתית הן את מספר הקבוצות והן את מספר הרכיבים הראשיים. מדד איכות שנקרא ציון הסילואטה מציין עד כמה הקבוצות המתקבלות מופרדות היטב. על ידי סריקה של האפשרויות, המסגרת מזהה אוטומטית לא רק היכן נמצאים האשכולות אלא גם כמה סוגי פגמים מתארים בצורה הטובה ביותר את מערך הנתונים — ללא תוויות מוקדמות או בחירות ידניות.

הוכחת השיטה על שני גבישים שונים

השיטה נבדקה על תמונות של שני חומרים שנחקרו היטב: קבמיד־טלוריד, המשמש בתאי שמש דקים, וסטורטיום‑טיטנאט, גביש תחמוצתי מודל. בקבמיד‑טלוריד, אוסף הנתונים כולל איזורים מרקם, כמה סוגי שגיאות הערמה (stacking faults), מבני דיסלוקציה מיוחדים וגבולות תאומים, יחד עם הוספה מלאכותית של אטומים עודפים וחסרים. למרות הבדלים עדינים בקונטרסט ואפקטי קצוות מסיחים, המסגרת משחזרת באופן אוטומטי שבעה אשכולות מובחנים שמתאימים לקטגוריות אלה, עם מספר מועט בלבד של שגיאות מיון מתוך יותר מאלף תמונות. בסטורטיום‑טיטנאט, שבו חלק מהפגמים נבדלים רק במעט מהסריג המושלם, אותו מהלך עבודה מוצא שוב את מספר הקבוצות הנכון וממיין תמונות בדיוק גבוה, ומראה שהשיטה אינה מכווננת באופן צר לחומר יחיד.

מה משמעות הדבר למחקר חומרים עתידי

במלים פשוטות, המחקר מראה שמחשב יכול ללמד את עצמו לזהות ולקבץ פגמים בקנה מידה אטומי בתמונות מיקרוסקופ עם הדרכה אנושית מינימלית. באמצעות למידה של הדפוס הנורמלי של גביש והתמקדות בהבדלים, המערכת יכולה לנפות כמויות גדולות של תמונות, לגלות סוגים מובחנים של פגמים ולעשות זאת על מחשבי מעבדה רגילים. מיון בלתי מפוקח ואוטומטי מסוג זה יכול לעזור לחוקרים למפות במהירות כיצד הפגמים מתפזרים בדגימה וכיצד הם משפיעים על הביצועים, ובכך להניח את היסודות לעיצוב ואופטימיזציה אוטונומיים ומונחי‑נתונים של חומרים לדור הבא.

ציטוט: Ayyubi, R.A.W., Sultanov, S., Buban, J.P. et al. Unsupervised defect clustering in atomic-resolution microscopy using a convolutional variational autoencoder. npj Comput Mater 12, 166 (2026). https://doi.org/10.1038/s41524-026-02024-x

מילות מפתח: פגמים אטומיים, מיקרוסקופיה אלקטרונית, למידה בלתי מפוקחת, אוטו‑אנקודרים, אפיון חומרים